01
RF-DETR 2XL + AugRoboflow · Dataset v14
67,2%
KI-LNW · SoSe 2026 · Gruppe ATA
Fünf Modelle.
Ein klarer Gewinner.
RF-DETR und YOLO im direkten Vergleich für die automatische Erkennung von Bäumen in selbst aufgenommenen Bildern.
Bestes ModellRF-DETR 2XL + Augmentierung
67,2% mAP@50- Bilder
- 498
- Annotationen
- 1.455
- Modelle
- 5
01 · Modellvergleich
Ergebnisranking
Alle fünf Modelle auf derselben Skala. Höhere Werte bedeuten eine bessere Erkennungsleistung.
02
RF-DETR 2XLRoboflow
66,2%
03
YOLO26nRoboflow
50,2%
04
YOLO11sGoogle Colab · T4
40,3%
05
YOLO11nLokal · RTX 2060
28,1%
02 · Augmentierungseffekt
Kleine Änderung, messbarer Gewinn.
Der direkte A/B-Vergleich von RF-DETR 2XL zeigt: Augmentierung steigert die Gesamterkennung und insbesondere den Recall.
mAP@50+1,0 PP
F1-Score+1,2 PP
Recall+2,8 PP
Precision−0,5 PP
5 Varianten / OriginalHorizontal FlipRotation ±10°Hue ±5°Sättigung ±10%Helligkeit ±15%Belichtung ±10%
03 · Datengrundlage
Ein kompakter, sauber annotierter Datensatz.
498Bilder
1.455Annotationen
2,9Annotationen / Bild
2Klassen
- Keine fehlenden Annotationen
- Keine leeren Beispiele
- Ø 12 MP · 3.000 × 4.000 px
- Klassen: tree · tree_trunk
04 · Alle Ergebnisse
Der vollständige Vergleich.
Die Präsentation weist Precision und Recall nur für die beiden RF-DETR-Läufe aus. Fehlende Werte sind bewusst nicht ergänzt.
| Modell | Umgebung | mAP@50 | Precision | Recall | F1 |
|---|---|---|---|---|---|
| RF-DETR 2XL + AugmentierungEmpfehlung | Roboflow · Dataset v14 | 67,2% | 68,6% | 68,8% | 68,7% |
| RF-DETR 2XL | Roboflow | 66,2% | 69,1% | 66,0% | 67,5% |
| YOLO26n | Roboflow | 50,2% | — | — | 52,7% |
| YOLO11s | Google Colab · T4 | 40,3% | — | — | 47,3% |
| YOLO11n | Lokal · RTX 2060 | 28,1% | — | — | 39,8% |
05 · Bewertung
Für Genauigkeit:
RF-DETR 2XL + Aug.
Das augmentierte RF-DETR-Modell erzielt die beste Kombination aus mAP@50, Precision und Recall. Gegenüber dem stärksten YOLO-Modell beträgt der Vorsprung 17,0 Prozentpunkte bei mAP@50 und 16,0 beim F1-Score.
Was die Ergebnisse zeigen
- RF-DETR belegt auf beiden Hauptmetriken Platz 1 und 2.
- Augmentierung verbessert Recall um 2,8 Prozentpunkte.
- Precision und Recall des Siegers liegen nur 0,2 PP auseinander.
Was noch offen bleibt
- Keine Angaben zu Latenz, Modellgröße oder Ressourcenbedarf.
- Nur mAP@50; kein mAP@50–95 und keine klassenweisen Werte.
- Keine Wiederholungsläufe oder Streuung über mehrere Seeds.